論文の概要: Towards Explainable Graph Representations in Digital Pathology

• arxiv url: http://arxiv.org/abs/2007.00311v1
• Date: Wed, 1 Jul 2020 08:05:26 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-14 23:10:42.552206
• Title: Towards Explainable Graph Representations in Digital Pathology
• Title（参考訳）: デジタル病理における説明可能なグラフ表現を目指して
• Authors: Guillaume Jaume, Pushpak Pati, Antonio Foncubierta-Rodriguez, Florinda Feroce, Giosue Scognamiglio, Anna Maria Anniciello, Jean-Philippe Thiran, Orcun Goksel, Maria Gabrani
• Abstract要約: グラフ内の診断上重要な要素を強調するコンパクトなインスタンスごとの説明を導出するためのポストホック説明器を提案する。 乳がんサブタイプにおける細胞および細胞間相互作用の解析に焦点をあてるが、提案する説明器は、デジタル病理学における他のトポロジ的表現にまで拡張できるほど汎用的である。
• 参考スコア（独自算出の注目度）: 9.369422379741982
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Explainability of machine learning (ML) techniques in digital pathology (DP) is of great significance to facilitate their wide adoption in clinics. Recently, graph techniques encoding relevant biological entities have been employed to represent and assess DP images. Such paradigm shift from pixel-wise to entity-wise analysis provides more control over concept representation. In this paper, we introduce a post-hoc explainer to derive compact per-instance explanations emphasizing diagnostically important entities in the graph. Although we focus our analyses to cells and cellular interactions in breast cancer subtyping, the proposed explainer is generic enough to be extended to other topological representations in DP. Qualitative and quantitative analyses demonstrate the efficacy of the explainer in generating comprehensive and compact explanations.
• Abstract（参考訳）: デジタル病理学(DP)における機械学習(ML)技術の説明可能性は非常に重要である。 近年,DP画像の表現と評価のために,関連生物学的実体をコードするグラフ技術が採用されている。 このようなパラダイムをピクセル単位からエンティティ単位にシフトすることで、概念表現をよりコントロールできるようになります。 本稿では,グラフ内の診断的に重要な要素を強調するコンパクトなパーインテンス説明を導出するポストホック説明器を提案する。 乳がんサブタイプにおける細胞および細胞間相互作用の解析に焦点をあてるが,提案法はDPの他のトポロジカル表現に拡張できるほど汎用的である。 定性的かつ定量的な分析は、包括的でコンパクトな説明を生成するための説明器の有効性を示す。

関連論文リスト

• Tertiary Lymphoid Structures Generation through Graph-based Diffusion [54.37503714313661]
  本研究では,最先端のグラフベース拡散モデルを用いて生物学的に意味のある細胞グラフを生成する。 本研究では, グラフ拡散モデルを用いて, 3次リンパ構造(TLS)の分布を正確に学習できることを示す。
  論文  参考訳（メタデータ） (2023-10-10T14:37:17Z)
• KS-GNNExplainer: Global Model Interpretation Through Instance Explanations On Histopathology images [0.0]
  我々は、最初のインスタンスレベルのグラフニューラルネットワーク説明器であるKS-GNNExplainerを開発した。 提案手法は, 定量的および定性的尺度の両方に基づいて, 提案手法がグローバルなパターン抽出器であることを示すものである。
  論文  参考訳（メタデータ） (2023-04-14T16:48:41Z)
• BI-RADS-Net: An Explainable Multitask Learning Approach for Cancer Diagnosis in Breast Ultrasound Images [69.41441138140895]
  本稿では,乳房超音波画像における癌検出のための新しい深層学習手法であるBI-RADS-Netを紹介する。 提案手法は, 臨床診断に関連する特徴表現を学習することにより, 乳腺腫瘍の説明と分類を行うタスクを取り入れたものである。 臨床医が医療現場で診断・報告するために使用する形態学的特徴の観点から予測(良性または悪性)の説明が提供される。
  論文  参考訳（メタデータ） (2021-10-05T19:14:46Z)
• A Survey on Graph-Based Deep Learning for Computational Histopathology [36.58189530598098]
  我々は、デジタル病理と生検画像パッチの分析に機械学習と深層学習の利用が急速に拡大しているのを目撃した。 畳み込みニューラルネットワークを用いたパッチワイド機能に関する従来の学習は、グローバルなコンテキスト情報をキャプチャしようとする際のモデルを制限する。 本稿では,グラフに基づく深層学習の概念的基盤を提供し,腫瘍の局在と分類,腫瘍浸潤とステージング,画像検索,生存予測の現在の成功について論じる。
  論文  参考訳（メタデータ） (2021-07-01T07:50:35Z)
• Act Like a Radiologist: Towards Reliable Multi-view Correspondence Reasoning for Mammogram Mass Detection [49.14070210387509]
  マンモグラム質量検出のための解剖学的グラフ畳み込みネットワーク(AGN)を提案する。 AGNはマンモグラムの質量検出用に調整されており、既存の検出手法を多視点推論能力で実現している。 2つの標準ベンチマークの実験によると、AGNは最先端のパフォーマンスを大幅に上回っている。
  論文  参考訳（メタデータ） (2021-05-21T06:48:34Z)
• Multi-task Graph Convolutional Neural Network for Calcification Morphology and Distribution Analysis in Mammograms [4.731981307843478]
  クラスター内の微細石灰化の形態と分布は、放射線学者が乳癌を診断するための最も重要な特徴です。 マンモグラムにおける微細石灰化の形状と分布を自動解析するためのマルチタスクディープグラフ畳み込みネットワーク (GCN) を提案する。
  論文  参考訳（メタデータ） (2021-05-14T13:32:47Z)
• Deep Co-Attention Network for Multi-View Subspace Learning [73.3450258002607]
  マルチビューサブスペース学習のための深層コアテンションネットワークを提案する。 共通情報と相補情報の両方を敵意で抽出することを目的としている。 特に、新しいクロス再構成損失を使用し、ラベル情報を利用して潜在表現の構築を誘導する。
  論文  参考訳（メタデータ） (2021-02-15T18:46:44Z)
• Quantifying Explainers of Graph Neural Networks in Computational Pathology [13.526389642048947]
  グラフ説明器を特徴付けるために,クラス分離可能性の統計に基づく新しい定量尺度を提案する。 提案手法は,3種類のグラフ説明器,すなわち,階層的関連性伝播,勾配ベース・サリエンシ,グラフプルーニングの3つの手法を評価するために用いられる。 乳がんRoIsの大きなコホートであるBRACSデータセットの質的,定量的な所見を専門の病理医によって検証した。
  論文  参考訳（メタデータ） (2020-11-25T11:13:01Z)
• Weakly supervised multiple instance learning histopathological tumor segmentation [51.085268272912415]
  スライド画像全体のセグメント化のための弱教師付きフレームワークを提案する。 トレーニングモデルに複数のインスタンス学習スキームを利用する。 提案するフレームワークは,The Cancer Genome AtlasとPatchCamelyonデータセットのマルチロケーションとマルチ中心公開データに基づいて評価されている。
  論文  参考訳（メタデータ） (2020-04-10T13:12:47Z)
• Pathological Retinal Region Segmentation From OCT Images Using Geometric Relation Based Augmentation [84.7571086566595]
  本稿では,幾何学と形状の内在的関係を共同で符号化することで,従来のGANベースの医用画像合成法よりも優れた手法を提案する。 提案手法は,取得手順の異なる画像を有する公開RETOUCHデータセット上で,最先端のセグメンテーション手法より優れている。
  論文  参考訳（メタデータ） (2020-03-31T11:50:43Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。